CN112986492B - 一种建立气体浓度预测模型的方法及装置 - Google Patents
一种建立气体浓度预测模型的方法及装置 Download PDFInfo
- Publication number
- CN112986492B CN112986492B CN201911304697.0A CN201911304697A CN112986492B CN 112986492 B CN112986492 B CN 112986492B CN 201911304697 A CN201911304697 A CN 201911304697A CN 112986492 B CN112986492 B CN 112986492B
- Authority
- CN
- China
- Prior art keywords
- target
- prediction
- time
- neural network
- gas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012544 monitoring process Methods 0.000 claims abstract description 266
- 238000013528 artificial neural network Methods 0.000 claims abstract description 170
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 364
- 239000003344 environmental pollutant Substances 0.000 description 53
- 231100000719 pollutant Toxicity 0.000 description 53
- 230000008569 process Effects 0.000 description 22
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 18
- 238000012545 processing Methods 0.000 description 14
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种建立气体浓度预测模型的方法及装置,涉及计算机领域,尤其涉及一种建立气体浓度预测模型的方法及装置,提高了气体浓度预测的精度。具体方案为:获取N个监测站点的空间数据;获取包括监测站点维度、采样时间维度的第一样本数据;将空间数据及第一样本数据,输入第一神经网络,提取时间空间特征;获取第一预测参数,将时间空间特征、第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值;根据预测浓度值及第一目标监测站点在第一目标预测时间的第一目标气体的真实值,训练第一神经网络和第二神经网络,得到气体浓度预测模型。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种建立气体浓度预测模型的方法及装置。
背景技术
随着工业化进程的推进和交通工具的普及,大量有害气体(例如颗粒物、二氧化硫、氮氧化物、臭氧等)被排放到空气中,导致空气质量逐渐下降,危害人体健康。为有效监测空气质量状况,目前,相关部门已经在的不同地点建立了污染物浓度(空气质量)监测站点,实时地对污染物浓度进行监测监控。
污染物浓度(空气质量)的变化趋势,是相关部门进行环境决策的依据,因此污染物浓度(空气质量)的预测意义重大。
当前,主要通过建立污染物浓度预测模型实现预测污染物浓度。具体是通过传统分类器、神经网络、循环神经网络(recurrent neural networks,RNN)或长短期记忆网络(long short-term memory,LSTM)等训练方法,对不同污染物浓度监测站点监测到的不同时间、不同变量(二氧化硫、臭氧等空气质量指标类和指标和风力、风向等气象指标类)的污染物浓度数据进行训练,得到污染物浓度预测模型。
但是,当前的污染物浓度预测模型预测精度不高,提高污染物浓度预测模型的预测精度尤为重要。
发明内容
本申请提供一种建立气体浓度预测模型的方法及装置,提高了气体浓度预测模型的预测精度。
为了达到上述目的,本申请采用如下技术方案:
第一方面,一种建立气体浓度预测模型的方法,该方法可以包括:获取N个监测站点的空间数据,该空间数据包括用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重;N大于1;获取包括监测站点维度、采样时间维度的第一样本数据;将该空间数据及该第一样本数据,输入第一神经网络,提取时间空间特征;其中,第一神经网络包括时间卷积神经网络和图卷积神经网络;获取第一预测参数,第一预测参数包括第一目标监测站点标识、第一目标预测时间;将该时间空间特征、该第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值;根据预测浓度值及第一目标监测站点在第一目标预测时间的第一目标气体的真实值,训练第一神经网络和第二神经网络,得到气体浓度预测模型;其中,气体浓度预测模型包括收敛的第二神经网络。
通过本申请提供的建立气体浓度预测模型的方法,在建模过程中,先将气体浓度数据整理成包括监测站点维度及采样时间维度的第一样本数据,从第一样本数据以及指示监测站点的气体浓度影响权重的空间数据中提取气体浓度的时间空间特征,然后根据该时间空间特征得到气体浓度预测模型。由于建立预测模型时结合了相邻监测站点的气体浓度时间特征及空间特征,从而提高了气体浓度预测模型的预测精度。
其中,空间数据,用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重。其中,两个监测站点间气体浓度影响程度的权重越大,则这两个监测站点间气体浓度影响程度越大。
第一样本数据可以指包括监测站点维度、采样时间维度的实际监测数据的向量(监测站点仅监测一种气体的浓度值)。
时间空间特征,可以指监测站点监测的气体浓度之间的时间关系与空间关系的多维向量。
第一预测参数,用于预测第一目标气体在第一目标预测时间的第一目标监测站点位置的浓度值。具体的,第一预测参数可以包括第一目标监测站点标识和第一目标预测时间(测站点仅监测一种气体的浓度值)。例如,可以指用于输入本申请的第二神经网络,预测第一目标气体浓度的参数。
第一神经网络,用于提取样本数据中的时间空间特征。
第二神经网络,用于对输入其中的预测参数和时间空间特征进行计算,得到目标气体的预测浓度值。
结合第一方面或上述任一种可能的实现方式,在一种可能的实现方式中,第一神经网络可以包括多级门控时间神经网络、图卷积神经网络。例如,第一神经网络可以包括门控时间神经网络、图卷积神经网络及门控时间神经网络。
结合第一方面或上述任一种可能的实现方式,在一种可能的实现方式中,第一神经网络可以包括注意力机制、时间卷积神经网络和图卷积神经网络。
结合第一方面或上述任一种可能的实现方式,在一种可能的实现方式中,第二神经网络可以包括支持向量机(support vector machine,SVM),或者全连接神经网络。
结合第一方面或上述任一种可能的实现方式,在一种可能的实现方式中,气体浓度预测模型还可以包括收敛的第二神经网络和时间空间特征。
结合第一方面或上述任一种可能的实现方式,在一种可能的实现方式中,气体浓度预测模型还可以包括收敛的第一神经网络和收敛的第二神经网络。
结合第一方面或上述任一种可能的实现方式,在一种可能的实现方式中,该方法还可以包括:获取第一目标监测站点在第一目标预测时间的气象参数的值;气象参数可以包括下述一项或多项:风向、风力大小、气温、降水量、能见度、空气湿度。相应的,将时间空间特征、第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值,可以实现为:将时间空间特征、第一预测参数以及气象参数的值,输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。在建模的过程中结合了气象参数的值,在预测气体浓度时增加了气象参数对气体浓度的影响值,从而进一步提高了气体浓度预测模型的预测精度。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,获取N个监测站点的空间数据可以包括:获取每个监测站点的地理位置信息;根据该地理位置信息,按照预设拓扑图连接规则,确定N个监测站点的连接关系;将该连接关系转换为空间数据。在该可能的实现方式中,通过拓扑图的连接关系获得空间数据,根据该空间数据建立的气体浓度预测模型预测目标气体的浓度值时,提高预测精度。
其中,地理位置信息,用于唯一确定监测站点的地理位置。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,预设拓扑图连接规则可以为:连接N个监测站点中气体浓度两两相互影响的监测站点对应的节点,不连接N个监测站点中气体浓度两两之间相互不影响的监测站点对应的节点。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,将连接关系转换为空间数据可以实现为:将时空拓扑图中相互连接的两个节点对应的空间数据中的数值确定为第一数值,将相互不连接的两个节点对应的空间数据中的数值确定为第二数值,构建二维向量的空间数据。其中,第一数值与第二数值不同。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,获取N个监测站点的空间数据,可以包括:获取每个监测站点的地理位置信息;根据地理位置信息,确定N个监测站点中每两个监测站点间的距离;将距离代入权值公式,计算得到空间数据;其中,权值公式满足下述关系:其中,Wi,j表示监测站点Vi和监测站点Vj之间气体浓度影响程度的权重,dist(Vi,Vj)表示监测站点Vi和监测站点Vj之间的距离,δ是距离的标准差,exp表示以自然常数e为底的指数函数。在该可能的实现方式中,通过距离公式得到空间数据,该空间数据表示监测站点间的气体浓度影响程度的权重值更加准确,根据该空间数据建立的气体浓度预测模型预测气体的浓度值时,预测精度更高。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,第一样本数据还可以包括气体类型维度,第一预测参数还可以包括第一目标气体类型。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,该方法还可以包括:获取第二预测参数,第二预测参数可以包括:第二目标气体类型、第二目标监测站点标识、第二目标预测时间;将第二预测参数和时间空间特征输入至气体浓度预测模型,获取第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。在该可能的实现方式中,通过本申请得到的气体浓度预测模型预测目标气体的浓度值时,具有较高的预测精度。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,气体浓度预测模型还可以包括收敛的第一神经网络;该方法还可以包括:获取第二样本数据;获取第二预测参数;其中,第二预测参数可以包括:第二目标气体类型、第二目标监测站点标识、第二目标预测时间;将空间数据、第二样本数据和第二预测参数输入至气体浓度预测模型,获取第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。在该可能的实现方式中,通过第二样本数据输入收敛的第一神经网络提取更加准确的新的时间空间特征,根据新的时间空间特征得到的气体浓度预测模型,在预测气体浓度时预测精度更高。
其中,第二样本数据是用于使用气体浓度预测模型预测目标气体浓度值的样本数据,其形式与第一样本数据相同。
结合第一方面及上述一种可能的实现方式,在另一种可能的实现方式中,监测站点监测一种气体的浓度值时,第二预测参数可以包括:第二目标监测站点标识、第二目标预测时间。相应的,第二目标气体则为监测站点监测的气体。
第二方面,提供一种建立气体浓度预测模型的装置,该装置可以是气体浓度预测系统中的服务器,也可以是服务器中的装置或者芯片系统,或者是能够和服务器匹配使用的装置。该建立气体浓度预测模型的装置可以实现上述各方面或者各可能的设计中所执行的功能,所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的模块。如:该建立气体浓度预测模型的装置可以包括:第一获取单元、第二获取单元、提取单元、第三获取单元、第一预测单元和建模单元。
其中,第一获取单元,用于获取N个监测站点的空间数据,空间数据包括用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重;N大于1;
第二获取单元,用于获取包括监测站点维度、采样时间维度的第一样本数据;
提取单元,用于将该空间数据及该第一样本数据,输入第一神经网络,提取时间空间特征;其中,第一神经网络包括时间卷积神经网络和图卷积神经网络;
第三获取单元,用于获取第一预测参数,第一预测参数包括第一目标监测站点标识、第一目标预测时间;
第一预测单元,用于将该时间空间特征、第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值;
建模单元,用于根据预测浓度值及第一目标监测站点在第一目标预测时间的第一目标气体的真实值,训练第一神经网络和第二神经网络,得到气体浓度预测模型;其中,气体浓度预测模型包括收敛的第二神经网络。
通过本申请提供的建立气体浓度预测模型的装置,在建模过程中,先将气体浓度数据整理成包括监测站点维度及采样时间维度的第一样本数据,从第一样本数据以及指示监测站点的气体浓度影响权重的空间数据中提取气体浓度的时间空间特征,然后根据该时间空间特征得到气体浓度预测模型。由于建立预测模型时结合了相邻监测站点的气体浓度时间特征及空间特征,从而提高了气体浓度预测模型的预测精度。
需要说明的是,第二方面提供的建立气体浓度预测模型的装置,用于执行上述第一方面提供的建立气体浓度预测模型的方法,具体实现可以参考上述第一方面的具体实现。
第三方面,本申请实施例提供一种建立气体浓度预测模型的装置,该建立气体浓度预测模型的装置可以包括:处理器,存储器;处理器,存储器耦合,存储器可用于存储计算机程序代码,计算机程序代码包括计算机指令,当计算机指令被建立气体浓度预测模型的装置执行时,使得建立气体浓度预测模型的装置执行如第一方面或任一种可能的实现方式面所述的建立气体浓度预测模型的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:计算机软件指令;当计算机软件指令在计算机中运行时,使得该计算机执行如第一方面或第一方面的可能实现方式中任一项所述的建立气体浓度预测模型的方法。
第五方面,本申请实施例提供一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得该计算机执行如权利要求第一方面或任一种可能的实现方式中任一项所述的建立气体浓度预测模型的方法。
第六方面,本申请实施例提供一种芯片系统,该芯片系统应用于建立气体浓度预测模型的装置;芯片系统包括接口电路和处理器;接口电路和处理器通过线路互联;接口电路用于从建立气体浓度预测模型的装置中的存储器接收信号,并向处理器发送信号,信号包括存储器中存储的计算机指令;当处理器执行该计算机指令时,芯片系统执行如第一方面或任一种可能的实现方式中任一项所述的建立气体浓度预测模型的方法。
应当理解的是,本申请中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。
附图说明
图1为现有技术提供的一种建立污染物浓度预测模型的过程示意图;
图2为现有技术提供的一种传统神经网络的预测框架示意图;
图3为现有技术提供的一种循环神经网络的时序信息提取过程示意图;
图4为本申请实施例提供的一种气体浓度预测系统示意图;
图5为本申请各实施例提供的一种建立气体浓度预测模型的装置示意图;
图6为本申请实施例提供的一种建立气体浓度预测模型方法的流程示意图;
图7为本申请实施例提供的另一种建立气体浓度预测模型方法的流程示意图;
图8(a)为本申请实施例提供的一种时空拓扑图示意图;
图8(b)为本申请实施例提供的另一种时空拓扑图示意图;
图9为本申请实施例提供的一种三维的第一样本数据示意图;
图10为本申请实施例提供的建立的时空拓扑图的过程示意图;
图11为本申请实施例提供的一种建立气体浓度预测模型的装置示意图;
图12为本申请实施例提供的一种建立气体浓度预测模型的装置示意图。
具体实施方式
本申请说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于限定特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
在本申请的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。并且,在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在本申请实施例中,至少一个还可以描述为一个或多个,多个可以是两个、三个、四个或者更多个,本申请不做限制。
为了便于理解,先对本申请涉及的名词进行解释。
空间数据,可以包括用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重。其中,两个监测站点间气体浓度影响程度的权重越大,则这两个监测站点间气体浓度影响程度越大。具体的,空间数据可以为一个二维或三维向量。例如,空间数据可以是一个N*N的二维向量,二维向量中的元素A(i,j)可以表示监测站点i与监测站点j之间的气体浓度影响程度的权重。
样本数据,可以指监测站点、采样时间、气体类型的三个维度的实际监测数据的向量。或者,监测站点仅监测一种气体的浓度值,样本数据可以指监测站点、采样时间、两个维度的实际监测数据的向量。例如,三维样本数据可以是一个N*M*L的三维向量,三维向量中的元素B(i,k,p)可以表示监测站点i在k时刻监测的气体p的浓度值。
时间空间特征,可以指监测站点监测的气体浓度之间的时间关系与空间关系的多维向量。具体的,时间空间特征可以通过将空间数据和样本数据输入用于提取时间特征和空间特征的神经网络(本文所称第一神经网络)得到。
目标气体,可以指气体浓度预测时的预测对象。当监测站点仅监测一种气体的浓度值,目标气体则为监测站点监测的气体。当监测站点监测多种气体的浓度值时,目标气体可以为监测站点监测的一种或多种气体。
预测参数,可以指用于输入气体浓度预测模型,预测目标气体浓度的参数。预测参数可以包括目标监测站点标识和目标预测时间(对应监测站点仅监测一种气体的浓度值),或者,预测参数可以包括目标气体类型、目标监测站点标识和目标预测时间(对应监测站点监测多种气体的浓度值),用于预测目标气体在目标预测时间的目标监测站点位置的浓度值。例如,预测参数中的目标气体类型为臭氧、目标监测站点标识为监测站点i,目标预测时间为k时刻,表示需要预测监测站点i,k时刻的臭氧浓度值。
气象参数,可以指用于衡量天气状况的参数。具体的,气象参数可以包括但不限于风向、风力大小、气温、降水量、能见度、空气湿度。气象参数的值,可以指气象参数的具体数值或者等级。
监测站点的地理位置信息,可以指用于唯一确定监测站点的地理位置的信息。具体的,监测站点的地理位置信息可以为经纬度值或者为根据经纬度值转换的坐标值。例如,监测站点的地理位置信息为该监测站点的全球定位系统(global positioning system,GPS)信息。
当前,空气质量(污染物浓度或者气体浓度)的预测主要通过建立污染物浓度预测模型,预测目标污染物的浓度。
污染物浓度预测模型预测目标污染物浓度时,将目标污染物的预测参数(目标污染物的类型(可缺省,对应监测站点仅监测一种污染物的浓度值)、目标污染物的监测站点标识、目标污染物的预测时间)和预测样本数据(方法1时可缺省)输入到污染物浓度预测模型,污染物浓度预测模型输出目标污染物的监测站点在目标污染物的预测时间的目标污染物浓度。
常用的建立污染物浓度预测模型方法有两种:方法1通过传统分类器或神经网络训练样本数据得到污染物浓度预测模型;方法2通过RNN结合全连接神经网络或者LSTM结合全连接神经网络训练时序的样本数据得到污染物浓度预测模型。
图1示意了现有技术提供的一种建立污染物浓度预测模型的过程可以包括S101和S102。
S101、将污染物浓度数据进行整理,得到样本数据。
S101可以实现为:将污染物浓度数据进行清洗,去掉污染物浓度数据中的无效数据与异常数据;然后将清洗后的污染物浓度数据整理成一维或二维向量,作为样本数据。
示例性的,可以对污染物浓度数据以3σ原则进行清洗,然后将清洗后的污染物浓度数据整理成一维或二维向量,作为样本数据。具体的,方法1中的样本数据为一维向量,方法2中的样本数据为二维向量的时序数据。
例如,方法1中的样本数据为一维向量,可以表示为:
X=[xt0s0p0,xt0s0p1,……,xtksjpi,……,xtzsmpn]。
其中,t表示时间,t加数字或者字母用以区分不同时刻。s表示监测站点,s加数字或者字母用以区分不同监测站点。p表示监测变量,p加数字或者字母用以区分不同监测变量。
例如,xtksjpi表示k时刻,监测站点j监测的监测变量n的值。
其中,监测变量可以包括二氧化硫、臭氧等污染物类型的变量和风力、风向、气温等气象类型的变量。
例如,方法2中的样本数据为二维向量。在方法2中,将t-i时刻各监测站点的监测数据转化为一维向量xt-i=[xs0p0,xs0p1,……,xsjpi,……,xsmpn],具体过程与方法1相同,然后将不同时刻的一维向量构建时间序列X=[xt-k,xt-k+1,……,xt-i,……,xt]作为时序样本数据。
S102、通过样本数据训练得到污染物浓度预测模型。
例如,方法1中将样本数据利用训练集训练支持向量机或者神经网络等模型得到污染物浓度预测模型。图2示意了一种传统神经网络的预测框架。
例如,方法2中可以利用循环神经网络或者LSTM提取样本数据中的时序信息,将时序信息和预测参数输入全连接神经网络,得到预测值,将预测值作为目标污染物的监测站点在目标污染物的预测时间的预测目标污染物浓度,根据目标污染物的监测站点在目标污染物的预测时间的预测目标污染物浓度和目标污染物的监测站点在目标污染物的预测时间的真实目标污染物浓度训练LSTM和全连接神经网络,将收敛的LSTM和收敛的全连接神经网络作为污染物浓度预测模型。图3示意了一种循环神经网络的时序信息提取过程。如图3所示,X表示的样本数据输入循环神经网络,输出时序信息(图3中的Y)。
但是,空气中污染物浓度与空间特征、时间特征都有强关联,现有的建立污染物浓度预测模型的过程并未考虑相邻站点间空气污染物浓度的空间特征,建立的污染物浓度预测模型预测精度不高。
基于此,本申请实施例提供一种建立气体浓度预测模型的方法,通过将气体浓度数据整理成包括监测站点维度及采样时间维度的第一样本数据,从第一样本数据以及指示监测站点的气体浓度影响权重的空间数据中提取气体浓度的时间空间特征,根据该时间空间特征得到的气体浓度预测模型。由于建立预测模型时结合了相邻监测站点的气体浓度时间特征及空间特征,从而提高了气体浓度预测模型的预测精度。
下面将结合附图对本申请实施例的实施方式进行详细描述。
本申请实施例提供的建立气体浓度预测模型的方法应用于图4所示的气体浓度预测系统中。如图4所示,气体浓度预测系统40可以包括服务器401、监测站点402。监测站点402用于监测气体403的浓度,并且将监测到的气体403的浓度通过有线或无线的方式传给服务器401;服务器401将监测站点402上传的气体403的浓度进行处理,建立气体浓度预测模型,用于预测目标气体浓度。
其中,气体浓度预测系统40可以用于空气质量的预测(二氧化硫、臭氧、PM2.5等空气质量指标)。气体浓度预测系统40还可以用于工业中的气体浓度预测。例如,气体浓度预测系统40可以用于化工企业的废气(一氧化碳、二氧化硫等)排放浓度预测、煤矿企业的瓦斯(甲烷和一氧化碳)浓度预测、汽车尾气浓度预测。
需要说明的是,对于不同的应用场景,气体浓度预测系统40的名称会有所不同。例如,可以为废气浓度预测系统、瓦斯浓度预测系统等,但其本质都是气体浓度的预测,均应属于本申请的保护范围内。
其中,服务器401可以是物理服务器,或者云服务器,或者其他具有数据处理能力与存储能力的设备,本申请对此不予限定。
监测站点402可以是部署了一个或多个传感器的设备,用于采集气体的实时浓度值。需要说明的是,监测站点402可以部署于需要监测气体浓度值的位置,对于监测站点402的部署方式及具体位置,本申请对此不予限定。
气体403可以是一种气体或者多种气体。例如,气体403可以是臭氧、二氧化硫或其他。
下面结合附图,对本申请的实施例提供的建立气体浓度预测模型的方法及装置进行具体阐述。
一方面,本申请实施例提供一种建立气体浓度预测模型的装置,用于执行本申请提供的建立气体浓度预测模型的方法。该建立气体浓度预测模型的装置可以部署于图4所示的气体浓度预测系统中的服务器401中,该建立气体浓度预测模型的装置可以为服务器401的部分或者全部。或者,该建立气体浓度预测模型的装置也可以单独部署,该建立气体浓度预测模型的装置为具有相关数据处理与存储能力的电子设备或者芯片系统。
图5示意了本申请实施例提供的一种建立气体浓度预测模型的装置50。如图5所示,建立气体浓度预测模型的装置50可以包括处理器501、存储器502以及收发器503。
下面结合图5对建立气体浓度预测模型的装置50的各个构成部件进行具体的介绍:
其中,存储器502可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(read-only memory,ROM),快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);或者上述种类的存储器的组合,用于存储可实现本申请方法的程序代码、配置文件、数据信息或者其他内容。
处理器501是建立气体浓度预测模型的装置50的控制中心。例如,处理器501可以是一个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital singnal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
收发器503用于建立气体浓度预测模型的装置50与其他设备的信息交互。例如,收发器503用于建立气体浓度预测模型的装置50与监测站点之间的信息交互。
具体的,处理器501通过运行或执行存储在存储器502内的软件程序和/或模块,执行如下功能:
获取N个监测站点的空间数据,空间数据包括用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重;N大于1;获取包括监测站点维度、采样时间维度的第一样本数据;将空间数据及第一样本数据,输入第一神经网络,提取时间空间特征;其中,第一神经网络包括时间卷积神经网络和图卷积神经网络;获取第一预测参数,第一预测参数包括第一目标监测站点标识、第一目标预测时间;将时间空间特征、第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值;根据预测浓度值及第一目标监测站点在第一目标预测时间的第一目标气体的真实值,训练第一神经网络和第二神经网络,得到气体浓度预测模型;其中,气体浓度预测模型包括收敛的第二神经网络。
另一方面,本申请实施例提供一种建立气体浓度预测模型的方法,如图6所示,该方法可以包括:
S601、建立气体浓度预测模型的装置获取N个监测站点的空间数据。
其中,N大于1。
一种可能的实现方式中,空间数据可以为N个监测站点中每两个监测站点间气体浓度影响程度的权重的二维向量。
另一种可能的实现方式中,空间数据可以为N个监测站点中每两个监测站点间气体浓度影响程度的权重的二维向量的基础上,结合时间维度的三维向量。
具体的,S601可以通过下述方案1或方案2实现。
方案1、建立气体浓度预测模型的装置根据监测站点的地理位置信息确定时空拓扑图得到空间数据。
具体的,方案1的具体实现可以包括但不限于下述步骤a1到步骤a4。
步骤a1、建立气体浓度预测模型的装置获取每个监测站点的地理位置信息。
其中,建立气体浓度预测模型的装置可以根据管理员的输入获取每个监测站点的地理位置信息,或者建立气体浓度预测模型的装置根据每个监测站点上传的自身的地理位置信息获取每个监测站点的地理位置信息。
当然,建立气体浓度预测模型的装置也可以通过其他方式获取每个监测站点的地理位置信息,本申请对此不予限定。
步骤a2、建立气体浓度预测模型的装置根据N个监测站点的地理位置信息,在时空拓扑图中确定每个监测站点对应的节点的位置。
示例性的,建立气体浓度预测模型的装置可以将N个监测站点的地理位置信息通过距离缩放的、坐标变化或者其他方式,转换为时空拓扑图中每个监测站点对应的节点的位置。
步骤a3、建立气体浓度预测模型的装置根据预设拓扑图连接规则,确定N个监测站点的连接关系,构建时空拓扑图。
其中,预设拓扑图连接规则可以根据用户的经验进行设定,本申请对此不予限定。
一种可能的实现方式中,用户可以根据经验或者实际测量结果,确定出N个监测站点中气体浓度两两相互影响的站点标识,预设拓扑图连接规则为:连接N个监测站点中气体浓度两两相互影响的监测站点对应的节点,不连接N个监测站点中气体浓度两两之间相互不影响的监测站点对应的节点,构建时空拓扑图,该时空拓扑图可以如图8(a)示意。
例如,监测站点中气体浓度两两之间相互是否影响,可以根据监测站点中两两之间的实际距离是否大于预设阈值来确定。具体的,若两个监测站点之间的实际距离小于预设阈值,则这两个监测站点中气体浓度两两相互影响,否则不影响。当然,若两个监测站点之间的实际距离等于预设阈值,可以确定这两个监测站点中气体浓度两两相互影响或者不影响,本申请不予限定。
其中,预设阈值的取值可以根据实际需求配置。
另一种可能的实现方式中,用户可以根据经验或者实际测量结果,确定出N个监测站点中气体浓度两两相互影响的站点标识,建立不同时刻的时间帧。对于每一时刻,连接N个监测站点中气体浓度两两相互影响的站点对应的节点,不连接N个监测站点中气体浓度两两之间相互不影响的站点对应的节点;每一个时间帧的形式,类似于前一可能的实现方式中的时空拓扑图。对于相邻时刻,连接相同监测站点对应的节点,构建时空拓扑图,该时空拓扑图可以如图8(b)示意。
步骤a4、建立气体浓度预测模型的装置将时空拓扑图转换为空间数据。
一种可能的实现方式中,将时空拓扑图中相互连接的两个节点对应的空间数据中的数值确定为第一数值,将相互不连接的两个节点对应的空间数据中的数值确定为第二数值,构建二维向量的空间数据。第一数值与第二数值不同。
例如,第一数值可以为1,第二数值可以为0。
例如,步骤a4中可以将图8(a)所示的时空拓扑图转换得到空间数据为B1。
另一种可能的实现方式中,对于每一时刻,将相互连接的两个节点对应的空间数据中的数值确定为第一数值,将相互不连接的两个节点对应的空间数据中的数值确定为第二数值,将不同时刻相互连接的节点对应的空间数据中的数值确定为第三数值,将不同时刻不连接的节点对应的空间数据中的数值确定为第四数值,构建三维向量的空间数据。
其中,第三数值可以与第一数值相同,第四数值可以与第二数值相同。
例如,步骤a4中可以将图8(b)所示的时空拓扑图转换得到空间数据为B2,B2是B1增加时间维度元素的三维向量,B2中每一时刻的二维向量为B1。
方案2、建立气体浓度预测模型的装置根据权值公式得到空间数据。
具体的,方案2的具体实现可以包括但不限于下述步骤b1至步骤b3。
步骤b1、建立气体浓度预测模型的装置获取每个监测站点的地理位置信息。
需要说明的是,步骤b1的具体实现可以参照步骤a1,不再赘述。
步骤b2、建立气体浓度预测模型的装置根据N个监测站点的地理位置信息,确定N个监测站点中每两个监测站点间的距离。
步骤b3、建立气体浓度预测模型的装置将步骤b2确定的距离代入权值公式,计算N个监测站点中每两个监测站点间气体浓度影响程度的权重,将权重组成的二维向量作为空间数据。
其中,Wi,j表示监测站点Vi和监测站点Vj之间的权重,exp表示以自然常数e为底的指数函数,dist(Vi,Vj)表示监测站点Vi和监测站点Vj之间的距离,δ是距离的标准差。
进一步的,在方案2中,建立气体浓度预测模型的装置还可以根据采样时间建立不同时刻的二维向量空间数据,一个时刻的二维向量空间数据是对该时刻的监测站点进行步骤b1至b3的过程的处理,得到的二维向量,在该二维向量基础上增加时间维度元素,得到三维向量空间数据。
方案3、建立气体浓度预测模型的装置可以获取管理员输入的空间数据。
需要说明的是,方案3中空间数据的形式可以参照前述方案1、方案2中的空间数据,不再赘述。
S602、建立气体浓度预测模型的装置获取包括监测站点维度、采样时间维度的第一样本数据。
具体的,第一样本数据用于建立气体浓度预测模型。S602中可以根据气体浓度采样数据获取第一样本数据,气体浓度采样数据是监测站点实际采样得到的真实值,气体浓度采样数据可以为管理员输入,也可以为一段时间内监测站点上报。
一种可能的实现方式中,当监测站点仅用于监测一种气体的浓度值时,S602中获取的第一样本数据可以包括监测站点维度、采样时间维度。
另一种可能的实现方式中,当监测站点用于监测多种气体的浓度值时,S602中建立气体浓度预测模型的装置可以获取包括监测站点维度、采样时间维度以及气体类型维度的第一样本数据。
当然,S602中建立气体浓度预测模型的装置获取的第一样本数据还可以包括上述维度之外的其他维度,不予限定。
一种可能的实现方式中,S602中建立气体浓度预测模型的装置可以将气体浓度采样数据按照维度,整理成第一样本数据。
另一种可能的实现方式中,S602中建立气体浓度预测模型的装置可以先将气体浓度采样数据进行清洗,去掉无效数据与异常数据,然后将清洗后的气体浓度采样数据按照维度,整理成第一样本数据。
例如,建立气体浓度预测模型的装置可以将气体浓度采用数据以3σ原则进行清洗,然后将清洗后的气体浓度采样数据按照监测站点维度、采样时间维度以及气体类型维度,整理为N*L*M的三维向量(三维第一样本数据)。其中,N为监测站点的数量,L为根据采样时间确定的时间帧数,M为气体的种类。
图9示意了一种三维的第一样本数据。其中,P表示气体浓度的类型,S表示不同的监测站点,T表示不同的时间帧数。
S603、建立气体浓度预测模型的装置将空间数据及第一样本数据,输入第一神经网络,提取时间空间特征。
其中,第一神经网络用于提取样本数据中的时间空间特征。
一种可能的实现中,第一神经网络可以包括门控时间神经网络和图卷积神经网络。
其中,门控时间神经网络用于提取样本数据中的时间特征;图卷积神经网络用于提取样本数据中的空间特征。
例如,建立气体浓度预测模型的装置可以将S602获取的第一样本数据输入门控时间卷积神经网络,门控时间卷积神经网络进行计算输出气体浓度中的时序信息,然后将门控时间卷积神经网络输出的时序信息与S601获取的空间数据输入到图卷积神经网络,图卷积神经网络进行计算输出时间空间特征。
另一种可能的实现中,第一神经网络可以包括多级门控时间神经网络、图卷积神经网络。
例如,第一神经网络可以包括门控时间神经网络、图卷积神经网络及门控时间神经网络。
再一种可能的实现中,第一神经网络可以包括注意力机制、时间卷积神经网络和图卷积神经网络。
其中,注意力机制可以包括空间注意力机制和时间注意力机制。空间注意力机制用于捕捉不同监测站点之间的动态空间相关性;时间注意力机制用于捕捉不同时刻之间的动态时间相关性。
例如,建立气体浓度预测模型的装置可以将S602获取的第一样本数据输入空间注意力机制,空间注意力机制捕捉不同监测站点之间的动态空间相关性,将捕捉不同监测站点之间的动态空间相关性的数据输入时间注意力机制,时间注意力机制捕捉不同时间之间的动态时间相关性;然后,将捕捉到动态空间相关性与时间空间相关性的数据输入门控时间卷积神经网络,门控时间卷积神经网络进行计算输出气体浓度中的时序信息,然后将时间门控网络输出的时序信息与S601获取的空间数据输入到图卷积神经网络中,图卷积神经网络进行计算输出时间空间特征。
其中,第一神经网络的参数可以根据实际需求进行配置,本申请对此不予限定。其中,第一神经网络的参数可以包括:卷积核数量、卷积尺寸等。
例如,第一神经网络的参数可以设置为:门控时间神经网络包含64个卷积核,卷积尺寸为3*3;图卷积神经网络包含16个卷积核,卷积尺寸为5*5。
需要说明是,可以通过一层第一神经网络来提取时间空间特征,也可以通过多层第一神经网络来提取时间空间特征。每一层第一神经网络的处理过程相同,不再一一赘述。
S604、建立气体浓度预测模型的装置获取第一预测参数。
其中,第一预测参数用于训练得到气体浓度预测模型,第一预测参数可以包括第一目标监测站点标识、第一目标预测时间。第一预测参数用于指示预测第一目标监测站点在第一目标预测时间第一目标气体的浓度。
其中,目标气体类型可以是一种或多种。目标监测站点标识可以是一个或者多个监测站点的标识,目标预测时间也可以是一个时刻或者多个时刻。
一种可能的实现方式中,当监测站点仅监测一种气体的浓度值时,第一目标气体则为监测站点监测的气体,第一预测参数可以仅包括第一目标监测站点标识、第一目标预测时间。
另一种可能的实现方式中,当监测站点监测多种气体的浓度值时,第一预测参数可以包括第一目标气体类型、第一目标监测站点标识以及第一目标预测时间。
具体的,建立气体浓度预测模型的装置可以根据管理员的输入获取第一预测参数,或者根据监测站点监测的采样数据获取第一预测参数,本申请对此予限定。
例如,可以将管理员输入的气体作为第一目标气体;也可以将监测站点监测到的每一种气体作为第一目标气体。
再例如,可以将管理员输入的监测站点标识、预测时间作为第一目标监测站点标识和第一目标预测时间;也可以将所有的监测站点标识作为第一目标监测站点标识,当前时刻后的任一时刻或者任意时间段作为第一目标预测时间。
例如,建立气体浓度预测模型的装置根据管理员的输入获取第一预测参数。具体的,第一预测参数中的第一目标气体类型为臭氧、第一预测参数中的第一目标监测站点标识为监测站点i、第一预测参数中的第一目标预测时间为k时刻。
S605、建立气体浓度预测模型的装置将时间空间特征、第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。
其中,第二神经网络为预先配置的具有预测功能的神经网络。例如,第二神经网络可以是支持向量机SVM,或者全连接神经网络,或者其他类型的神经网络,本申请对此不予限定。
S605的具体可以包括但不限于下述实现1到实现3。
实现1、建立气体浓度预测模型的装置将时间空间特征、第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。
具体的,建立气体浓度预测模型的装置将S603得到的时间空间特征、S604获取的第一预测参数输入第二神经网络,第二神经网络进行运算后,输出预测值,将该预测值作为第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。
实现2、建立气体浓度预测模型的装置将时间空间特征、第一预测参数以及第一目标监测站点在第一目标预测时间的气象参数的值,输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。
其中,气象参数包括下述一项或多项:风向、风力大小、气温、降水量、能见度、空气湿度。气象参数的值,可以指衡量气象参数的数据或者等级。
具体的,建立气体浓度预测模型的装置获取管理员的输入的第一目标监测站点在第一目标预测时间的气象参数的值,或者其他方式获取,本申请不予限定。
具体的,建立气体浓度预测模型的装置将S603得到的时间空间特征、S604获取的第一预测参数以及第一目标监测站点在第一目标预测时间的气象参数的值输入第二神经网络,第二神经网络进行运算后,输出预测值,将该预测值作为第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。
实现3、建立气体浓度预测模型的装置将车流量信息、工厂污染排放量等信息、时间空间特征、以及第一预测参数输入第二神经网络,获取第一目标监测站点在第一目标预测时间的第一目标气体的预测浓度值。
其中,实现3的具体过程可以参考实现2,本申请不再一一赘述。
S606、建立气体浓度预测模型的装置根据预测浓度值及第一目标监测站点在第一目标预测时间的第一目标气体的真实值,训练第一神经网络和第二神经网络,得到气体浓度预测模型。
例如,S606可以通过但不限于下述步骤c1到c3来实现。
步骤c1、建立气体浓度预测模型的装置根据预测浓度值及第一目标监测站点在第一目标预测时间的第一目标气体的真实值计算预测值和真实值之间的误差。
具体的,可以通过最小均方差、交叉熵、平均绝对百分误差(mean absolutepercent error,MAPE)或者其他方法计算预测值和真实值之间的误差,本申请对此不予限定。
步骤c2、建立气体浓度预测模型的装置将测量值与真实值之间的误差从第二神经网络的输出层向第一神经网络的输入层反向传播。在反向传播的过程中,第一神经网络和第二神经网络的参数会根据误差进行调整,不断迭代上述过程至收敛,最后得到的参数即为最优参数。
例如,可以通过反向传播算法(backpropagation algorithm,BP)实现参数的最优化。
步骤c3、建立气体浓度预测模型的装置得到气体浓度预测模型。
其中,气体浓度预测模型用于预测目标气体的浓度。
一种可能的实现方式中,气体浓度预测模型可以包括收敛的第二神经网络。
具体的,可以向气体浓度预测模型输入一个预测参数和前述时间空间特征,气体浓度预测模型进行预测,其输出则为该预测参数指示的目标气体的浓度值。
另一种可能的实现方式中,气体浓度预测模型可以包括收敛的第二神经网络和建模过程中获取的时间空间特征。
再一种可能的实现方式中,气体浓度预测模型可以包括收敛的第一神经网络和收敛的第二神经网络。
例如,可以将样本数据、空间数据输入气体浓度预测模型中收敛的第一神经网络,由收敛的第一神经网络进行运算后,输出新的时间空间特征,将新的时间空间特征、预测参数(目标气体类型(可缺省)、目标监测站点、目标预测时间)输入收敛的第二神经网络,收敛的第二神经网络输出的预测值作为预测参数指示的目标监测站点在目标预测时间的目标气体的预测浓度值。
本申请实施例提供的建立气体浓度预测模型的方法,通过将气体浓度数据整理成包括监测站点维度及采样时间维度的第一样本数据,从第一样本数据以及指示监测站点的气体浓度影响权重的空间数据中提取气体浓度的时间空间特征,根据该时间空间特征得到的气体浓度预测模型。由于建立预测模型时结合了相邻监测站点的气体浓度时间特征及空间特征,从而提高了气体浓度预测模型的预测精度。
进一步的,如图7所示,本申请实施例提供的建立气体浓度预测模型的方法还可以包括S607到S608。
S607、建立气体浓度预测模型的装置获取第二预测参数。
其中,第二预测参数用于通过气体浓度预测模型得到气体浓度的预测值,第二预测参数可以包括:第二目标监测站点标识、第二目标预测时间。第二预测参数用于指示预测第二目标监测站点在第二目标预测时间第二目标气体的浓度。
具体的,第二预测参数可以根据管理员的输入确定,或者根据第一预测参数确定。
例如,将第一预测时间的下一时刻或者第一预测时间后的某一时间段作为第二预测时间,将第一目标气体类型作为第二目标气体类型、将第一目标监测站点标识作为第二目标监测站点标识。
一种可能的实现方式中,当监测站点仅监测一种气体的浓度值时,第二目标气体则为监测站点监测的气体,第二预测参数可以仅包括第二目标监测站点标识、第二目标预测时间。
另一种可能的实现方式中,当监测站点监测多种气体的浓度值时,第二预测参数可以包括第二目标气体类型、第二目标监测站点标识以及第二目标预测时间。
S608、建立气体浓度预测模型的装置根据第二预测参数及气体浓度预测模型,获取第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。
具体的,在S608中,根据气体浓度预测模型的内容不同,S608的具体实现不同,具体可以包括但不限于下述三种实现:
实现A、气体浓度预测模型包括收敛的第二神经网络。
在实现A中,建立气体浓度预测模型的装置将第二预测参数和S603中提取的时间空间特征输入至气体浓度预测模型(收敛的第二神经网络),收敛的第二神经网络进行计算后,输出的预测值可以作为第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。
实现B、气体浓度预测模型包括时间空间特征和收敛的第二神经网络。
在实现B中,建立气体浓度预测模型的装置将第二预测参数输入至气体浓度预测模型(包括时间空间特征和收敛的第二神经网络),收敛的第二神经网络将时间空间特征和第二预测参数进行计算后,输出的预测值可以作为第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。
实现C、气体浓度预测模型包括收敛的第一神经网络和收敛的第二神经网络。
在实现C中,气体浓度预测模型进行预测时,可以通过收敛的第一神经网络提取新的样本数据中的时间空间特征,使得收敛的第二神经网络的预测值更加精确。
相应的,在实现C中,S608之前本申请提供的方法还可以包括:建立气体浓度预测模型的装置获取第二样本数据。
其中,第二样本数据与前述第一样本数据的类型相同,第二样本数据用于通过实现C预测目标气体的预测浓度值。第二样本数据的获取方式,可以参照S602中第一样本数据的获取方式,不再赘述。
具体的,在实现C中建立气体浓度预测模型的装置将记录的空间数据(S601中记录的)、第二样本数据和第二预测参数输入气体浓度预测模型,获取第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。
例如,建立气体浓度预测模型的装置将第二样本数据和记录的空间数据输入收敛的第一神经网络,收敛的第一神经网络进行运算后,输出新的时间空间特征;将第一神经网络输出的新的时间空间特征和第二预测参数输入收敛的第二神经网络,收敛的第二神经网络进行计算后,输出的预测值可以作为第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。
例如,建立气体浓度预测模型的装置将第二样本数据和记录的空间数据以及第二预测参数输入收敛的第一神经网络,收敛的第一神经网络通过第二样本数据和记录空间数据进行运算后,输出新的时间空间特征和第二预测参数;将第一神经网络输出的新的时间空间特征和第二预测参数输入收敛的第二神经网络,收敛的第二神经网络进行计算后,输出的预测值可以作为第二目标监测站点在第二目标预测时间的第二目标气体的预测浓度值。
还需要说明的是,本申请实施例描述的方法中各个步骤的执行顺序,可以根据实际需求配置,本申请对此不予限定,附图仅为举例说明。
一种可能的实现方式中,每次预测前都可以执行一次气体浓度预测模型的建立过程,然后根据每次建立的气体浓度预测模型预测目标监测站点在目标预测时间的目标气体的浓度值。
另一种可能的实现方式中,可以只执行一次上述气体浓度预测模型的建立过程,然后根据该气体浓度预测模型预测目标气体的浓度值。
需要说明的是,本申请实施例提供的建立气体浓度预测模型的方法的具体过程还可以通过图形处理器(graphics processing unit,GPU)进行加速。具体的,根据GPU加速实现本申请提供的建立气体浓度预测模型的过程可以根据用户的需求进行配置,本申请对此不予限定。
下面以某市空气中的臭氧浓度预测场景为例,对本申请实施例提供的建立气体浓度预测模型的方法进行详细说明。
某市设立了5个气体浓度监测站点,每个监测站点以1小时/次的频率记录气体浓度值,5个气体浓度监测站点将监测的气体浓度上传给服务器,服务器根据5个气体浓度监测站点上传的2017年1月到2019年11月的气体浓度数据,分别训练气体浓度预测模型,预测2019年12月09日08时00分00秒后的3小时、6小时、9小时的臭氧浓度,根据训练后参数建立气体浓度预测模型。
建立气体浓度预测模型的过程可以包括但不限于下述步骤d1到步骤d8。
步骤d1、服务器获取2017年1月到2019年11月的气体浓度数据。服务器以3σ原则对2017年1月到2019年11月的气体浓度数据进行清洗,然后对清洗后的气体浓度数据进行整理,得到的三维样本数据(N*L*M的三维向量)。其中,N为监测站点的数量,L为根据采样时间确定的时间帧数,M为气体的种类。其中,采样时间1小时,即每一个时间帧或者每一时刻的时间间隔为1小时。
步骤d2、用户根据预设拓扑图连接规则建立的时空拓扑图。
其中,建立的时空拓扑图的过程如图10所示,根据时空拓扑图得到空间数据B。B=[Bt-k,Bt-k+1,……,Bt-i,……,Bt]。B中的每个元素为一个二维向量,与前述B1相似。
步骤d3、服务器将三维样本数据((N*L*M的三维向量)输入门控时间卷积神经网络,门控时间卷积神经网络进行计算后输出时序信息(N*L*64的三维向量)。
其中,门控时间卷积神经网络包括64个卷积核,卷积核尺寸为3*3。
步骤d4、服务器将(N*L*64的三维向量)与空间数据(B)输入到图卷积神经网络中,图卷积神经网络进行计算后输出时间空间特征(N*L*16的三维向量)。
其中,图卷积神经网络可以包括16个卷积核,卷积尺寸为5*5。
步骤d5、服务器获取第一预测参数。
其中,第一预测参数包括臭氧类型、5个监测站点的标识、预测时间为2019年12月09日08时00分00秒后的3小时、6小时、9小时。
步骤d6、将时间空间特征((N*L*16的三维向量)、第一预测参数输入全连接神经网络,全连接神经网络进行相关计算后,输出5个监测站点在2019年12月09日08时00分00秒后的3小时、6小时、9小时的臭氧预测浓度值。
其中,5个监测站点在2019年12月09日08时00分00秒后的3小时、6小时、9小时的臭氧预测浓度值如表1所示。其中,t1表示2019年12月09日08时00分00秒后的3小时,t2表示2019年12月09日08时00分00秒后的6小时,t3表示2019年12月09日08时00分00秒后的9小时,S表示监测站点,不同监测站点通过S加数字进行区分。例如,S1表示监测站点1;表中的数字为对应的臭氧预测浓度值。
表1
t1 | t2 | t3 | |
S1 | 18 | 16 | 19 |
S2 | 44 | 41 | 45 |
S3 | 22 | 21 | 22 |
S4 | 30 | 30 | 31 |
S5 | 40 | 42 | 42 |
需要说明的是,需要说明的是,表1只是通过举例的方式对臭氧浓度预测值进行说明,并不是具体限定。
步骤d7、服务器获取5个监测站点在2019年11月的臭氧浓度的真实值。
其中,该真实值可以如表2所示。
t1表示2019年12月09日08时00分00秒后的3小时,t2表示2019年12月09日08时00分00秒后的6小时,t3表示2019年12月09日08时00分00秒后的9小时,S表示监测站点,不同监测站点通过S加数字进行区分。例如,S1表示监测站点1;表中的数字为对应的臭氧浓度真实值。
表2
t1 | t2 | t3 | |
S1 | 20 | 19 | 29 |
S2 | 40 | 49 | 61 |
S3 | 20 | 25 | 33 |
S4 | 30 | 22 | 47 |
S5 | 36 | 32 | 63 |
需要说明的是,需要说明的是,表2只是通过举例的方式对臭氧浓度真实值进行说明,并不是具体限定。
步骤d8、计算预测值与真实值之间的MAPE值,通过BP算法进行全连接神经网络参数的调整,将收敛的(参数最优化的)全连接神经网络作为气体浓度预测模型。
上述主要从服务器的工作原理角度对本申请实施例提供的方案进行了介绍。可以理解的是,建立气体浓度预测模型的装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对建立气体浓度预测模型的装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,如图11所示为本申请实施例提供的一种建立气体浓度预测模型的装置110,用于实现上述方法中建立气体浓度预测模型的装置的功能。该建立气体浓度预测模型的装置110可以是服务器,也可以是服务器中的装置,也可以是能够和服务器匹配使用的装置。其中,该建立气体浓度预测模型的装置110可以为芯片系统。本申请实施例中,芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。如图11所示,建立气体浓度预测模型的装置110可以包括:第一获取单元1101、第二获取单元1102、提取单元1103、第三获取单元1104、第一预测单元1105、建模单元1106。其中,第一获取单元1101用于执行图6或图7中的S601;第二获取单元用于执行图6或图7中的S602,或者图7中的S608中的相关内容;提取单元1103用于执行图6或图7中的S603;第三获取单元1104用于执行图6或图7中的S604,或者图7中的S607;第一预测单元1105用于执行图6或图7中的S605;建模单元1106用于执行图6或图7中的S606。其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
进一步的,如图11所示,建立气体浓度预测模型的装置110还可以包括第四获取单元1107、第二预测单元1108。其中,第四获取单元1107用于执行图6或图7中的S605中的实现2;第二预测单元1108用于执行图7中的S608。
如图12所示,为本申请实施例提供的建立气体浓度预测模型的装置120,用于实现上述方法中建立气体浓度预测模型的装置的功能。该建立气体浓度预测模型的装置120可以是服务器,也可以是服务器中的装置,也可以是能够和服务器匹配使用的装置。其中,该建立气体浓度预测模型的装置120可以为芯片系统。建立气体浓度预测模型的装置120包括至少一个处理模块1201,用于实现本申请实施例提供的方法中建立气体浓度预测模型的装置的功能。示例性地,处理模块1201可以用于执行图6中的过程S601、S602、S603、S604、S605、S606或者图7中的过程S601、S602、S603、S604、S605、S606、S607、S608。具体参见方法示例中的详细描述,此处不做赘述。
建立气体浓度预测模型的装置120还可以包括至少一个存储模块1202,用于存储程序指令和/或数据。存储模块1202和处理模块1201耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理模块1201可能和存储模块1202协同操作。处理模块1201可能执行存储模块1202中存储的程序指令。所述至少一个存储模块中的至少一个可以包括于处理模块中。
建立气体浓度预测模型的装置120还可以包括通信模块1203,用于通过传输介质和其它设备进行通信,从而用于确定建立气体浓度预测模型的装置120中的装置可以和其它设备进行通信。
当处理模块1201为处理器,存储模块1202为存储器,通信模块1203为收发器,本申请实施例图12所涉及的建立气体浓度预测模型的装置120可以为图5所示的建立气体浓度预测模型的装置。
如前述,本申请实施例提供的建立气体浓度预测模型的装置110或建立气体浓度预测模型的装置120可以用于实施上述本申请各实施例实现的方法中建立气体浓度预测模型的装置中的功能,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请各实施例。
本申请另一些实施例还提供一种计算机可读存储介质,该计算机可读存储介质可包括计算机软件指令,当该计算机软件指令在计算机上运行时,使得该计算机执行上述6或图7所示实施例中建立气体浓度预测模型的装置执行的各个步骤。
本申请另一些实施例还提供一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得该计算机执行上述图6或图7所示实施例中建立气体浓度预测模型的装置执行的各个步骤。
本申请另一些实施例还提供一种芯片系统。芯片系统包括接口电路和处理器;接口电路和处理器通过线路互联;接口电路用于从建立气体浓度预测模型的装置的存储器接收信号,并向处理器发送信号,信号包括存储器中存储的计算机指令;当处理器执行该计算机指令时,芯片系统执行如上述图6或图7所示实施例中建立气体浓度预测模型的装置执行的各个步骤。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (17)
1.一种建立气体浓度预测模型的方法,其特征在于,所述方法包括:
获取N个监测站点的空间数据,所述空间数据包括用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重;所述N大于1;
获取包括监测站点维度、采样时间维度的第一样本数据;
将所述空间数据及所述第一样本数据,输入第一神经网络,提取时间空间特征;其中,所述第一神经网络包括时间卷积神经网络和图卷积神经网络;所述时间空间特征为监测站点监测的气体浓度之间的时间关系与空间关系的多维向量;
获取第一预测参数,所述第一预测参数包括第一目标监测站点标识、第一目标预测时间;
将所述时间空间特征、所述第一预测参数输入第二神经网络,获取所述第一目标监测站点在所述第一目标预测时间的第一目标气体的预测浓度值;所述第二神经网络为预先配置的具有预测功能的神经网络;
根据所述预测浓度值及所述第一目标监测站点在所述第一目标预测时间的所述第一目标气体的真实值,训练所述第一神经网络和所述第二神经网络,得到气体浓度预测模型;其中,所述气体浓度预测模型包括收敛的所述第二神经网络。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第一目标监测站点在所述第一目标预测时间的气象参数的值;所述气象参数包括下述一项或多项:风向、风力大小、气温、降水量、能见度、空气湿度;
将所述时间空间特征、所述第一预测参数输入第二神经网络,获取所述第一目标监测站点在所述第一目标预测时间的第一目标气体的预测浓度值,包括:
将所述时间空间特征、所述第一预测参数以及所述气象参数的值,输入第二神经网络,获取所述第一目标监测站点在所述第一目标预测时间的所述第一目标气体的预测浓度值。
3.根据权利要求1或2所述的方法,其特征在于,所述获取N个监测站点的空间数据,包括:
获取每个监测站点的地理位置信息;
根据所述地理位置信息,按照预设拓扑图连接规则,确定所述N个监测站点的连接关系;
将所述连接关系转换为所述空间数据。
5.根据权利要求1或2所述的方法,其特征在于,所述第一样本数据还包括气体类型维度,所述第一预测参数还包括第一目标气体类型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取第二预测参数,所述第二预测参数包括:第二目标气体类型、第二目标监测站点标识、第二目标预测时间;
将所述第二预测参数和所述时间空间特征输入至所述气体浓度预测模型,获取所述第二目标监测站点在所述第二目标预测时间的所述第二目标气体的预测浓度值。
7.根据权利要求5所述的方法,其特征在于,所述气体浓度预测模型还包括收敛的所述第一神经网络;所述方法还包括:
获取第二样本数据;
获取第二预测参数,所述第二预测参数包括:第二目标气体类型、第二目标监测站点标识、第二目标预测时间;
将所述空间数据、所述第二样本数据和所述第二预测参数输入至所述气体浓度预测模型,获取所述第二目标监测站点在所述第二目标预测时间的所述第二目标气体的预测浓度值。
8.一种建立气体浓度预测模型的装置,其特征在于,所述装置包括:
第一获取单元,用于获取N个监测站点的空间数据,所述空间数据包括用于指示N个监测站点中每两个监测站点间气体浓度影响程度的权重;所述N大于1;
第二获取单元,用于获取包括监测站点维度、采样时间维度的第一样本数据;
提取单元,用于将所述空间数据及所述第一样本数据,输入第一神经网络,提取时间空间特征;其中,所述第一神经网络包括时间卷积神经网络和图卷积神经网络;所述时间空间特征为监测站点监测的气体浓度之间的时间关系与空间关系的多维向量;
第三获取单元,用于获取第一预测参数,所述第一预测参数包括第一目标监测站点标识、第一目标预测时间;
第一预测单元,用于将所述时间空间特征、所述第一预测参数输入第二神经网络,获取所述第一目标监测站点在所述第一目标预测时间的第一目标气体的预测浓度值;所述第二神经网络为预先配置的具有预测功能的神经网络;
建模单元,用于根据所述预测浓度值及所述第一目标监测站点在所述第一目标预测时间的所述第一目标气体的真实值,训练所述第一神经网络和所述第二神经网络,得到气体浓度预测模型;其中,所述气体浓度预测模型包括收敛的所述第二神经网络。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第四获取单元,用于获取所述第一目标监测站点在所述第一目标预测时间的气象参数的值;所述气象参数包括下述一项或多项:风向、风力大小、气温、降水量、能见度、空气湿度;
所述第一预测单元具体用于:将所述时间空间特征、所述第一预测参数以及所述气象参数的值,输入第二神经网络,获取所述第一目标监测站点在所述第一目标预测时间的所述第一目标气体的预测浓度值。
10.根据权利要求8或9所述的装置,其特征在于,所述第一获取单元具体用于:
获取每个监测站点的地理位置信息;
根据所述地理位置信息,按照预设拓扑图连接规则,确定所述N个监测站点的连接关系;
将所述连接关系转换为所述空间数据。
12.根据权利要求8或9所述的装置,其特征在于,所述第一样本数据还包括气体类型维度,所述第一预测参数还包括第一目标气体类型。
13.根据权利要求12所述的装置,其特征在于,
所述第三获取单元还用于:获取第二预测参数,所述第二预测参数包括:第二目标气体类型、第二目标监测站点标识、第二目标预测时间;
所述装置还包括:
第二预测单元,用于将所述第二预测参数和所述时间空间特征输入至所述建模单元建立的所述气体浓度预测模型,获取所述第二目标监测站点在所述第二目标预测时间的所述第二目标气体的预测浓度值。
14.根据权利要求12所述的装置,其特征在于,所述气体浓度预测模型还包括收敛的所述第一神经网络;
所述第二获取单元还用于:获取第二样本数据;
所述第三获取单元还用于:获取第二预测参数,所述第二预测参数包括:第二目标气体类型、第二目标监测站点标识、第二目标预测时间;
所述装置还包括:
第二预测单元,用于将所述空间数据、所述第二样本数据和所述第二预测参数输入至所述建模单元建立的所述气体浓度预测模型,获取所述第二目标监测站点在所述第二目标预测时间的所述第二目标气体的预测浓度值。
15.一种建立气体浓度预测模型的装置,其特征在于,所述装置包括:处理器,存储器;所述处理器和所述存储器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述计算机指令被所述装置执行时,使得所述装置执行如权利要求1-7中任一项所述的建立气体浓度预测模型的方法。
16.一种计算机可读存储介质,其特征在于,包括:计算机软件指令;
当所述计算机软件指令在计算机中运行时,使得所述计算机执行如权利要求1-7中任一项所述的建立气体浓度预测模型的方法。
17.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1-7中任一项所述的建立气体浓度预测模型的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304697.0A CN112986492B (zh) | 2019-12-17 | 2019-12-17 | 一种建立气体浓度预测模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304697.0A CN112986492B (zh) | 2019-12-17 | 2019-12-17 | 一种建立气体浓度预测模型的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112986492A CN112986492A (zh) | 2021-06-18 |
CN112986492B true CN112986492B (zh) | 2023-02-03 |
Family
ID=76343649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911304697.0A Active CN112986492B (zh) | 2019-12-17 | 2019-12-17 | 一种建立气体浓度预测模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986492B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11979697B2 (en) | 2021-07-26 | 2024-05-07 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for obtaining natural gas energy metering component |
CN114740159B (zh) * | 2022-04-14 | 2023-09-19 | 成都秦川物联网科技股份有限公司 | 一种天然气能量计量组分获取方法和物联网系统 |
CN113610286B (zh) * | 2021-07-27 | 2024-03-29 | 中国地质大学(武汉) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
CN114778774B (zh) * | 2022-04-21 | 2024-07-02 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN115356434B (zh) * | 2022-07-14 | 2023-06-02 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
CN115330361B (zh) * | 2022-10-14 | 2023-01-13 | 成都秦川物联网科技股份有限公司 | 基于户内安全的燃气泄漏预测方法及智慧燃气物联网系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525678A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
CN109685246B (zh) * | 2018-11-13 | 2024-04-23 | 平安科技(深圳)有限公司 | 环境数据预估方法、装置及存储介质、服务器 |
CN109657842A (zh) * | 2018-11-27 | 2019-04-19 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法及装置、电子设备 |
CN109492830B (zh) * | 2018-12-17 | 2021-08-31 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
CN109978228B (zh) * | 2019-01-31 | 2023-12-12 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN109887282B (zh) * | 2019-03-05 | 2022-01-21 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110263479B (zh) * | 2019-06-28 | 2022-12-27 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
-
2019
- 2019-12-17 CN CN201911304697.0A patent/CN112986492B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112986492A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112986492B (zh) | 一种建立气体浓度预测模型的方法及装置 | |
Soh et al. | Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
US20220214322A1 (en) | Air pollutants concentration forecasting method and apparatus and storage medium | |
Yu et al. | Real-time traffic speed estimation with graph convolutional generative autoencoder | |
Hu et al. | HazeEst: Machine learning based metropolitan air pollution estimation from fixed and mobile sensors | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
US20220139070A1 (en) | Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program | |
CN112508056B (zh) | 基于移动多源感知的城市空气质量监测方法 | |
Do et al. | Graph-deep-learning-based inference of fine-grained air quality from mobile IoT sensors | |
Ray et al. | A backcast land use change model to generate past land use maps: application and validation at the Muskegon River watershed of Michigan, USA | |
CN111079977A (zh) | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN114240719A (zh) | 一种基于多元逐步回归的空气质量缺失数据填充方法及系统 | |
Tang et al. | Geospatial interpolation analytics for data streams in eventshop | |
CN115565369B (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
CN112232543A (zh) | 一种基于图卷积网络的多站点预测方法 | |
CN116257792B (zh) | 一种智慧城市碳中和数据分析系统 | |
CN114511784A (zh) | 环境监测预警方法、装置、设备及存储介质 | |
CN111209968A (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
Rivera-Muñoz et al. | Missing data estimation in a low-cost sensor network for measuring air quality: A case study in Aburrá Valley | |
Alsaedi et al. | Spatial and temporal data analysis with deep learning for air quality prediction | |
CN117371571A (zh) | 一种基于多尺度动态同步图机制的区域空气质量预测模型 | |
CN115964621A (zh) | 区域路网尾气排放数据补全方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220214 Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province Applicant after: Huawei Cloud Computing Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |